第1章  研究背景和意義

1.1  什麼是情感分析

1.2  情感分析的應用

1.2.1  商業領域

1.2.2  文化領域

1.2.3  社會管理

1.2.4  信息預測

1.2.5  情緒管理

1.3  研究現狀簡介

1.3.1  傳統情感分類方法

1.3.2  短文本情感分類方法

1.3.3  基於深度學習的方法

參考文獻

第2章  主要研究問題

2.1  抽取

2.1.1  觀點持有者抽取

2.1.2  評價對像抽取

2.1.3  情感詞抽取

2.1.4  情感詞極性判定

2.2  情感分類

2.2.1  主客觀分類

2.2.2  正負情感分類

2.2.3  跨領域情感分類

2.2.4  多語言情感分類

2.3  情緒分類

2.4  觀點摘要

2.5  觀點檢索

2.6  比較觀點挖掘

2.7  垃圾評論檢測

2.8  情感演化分析

2.9  情感與話題傳播分析

2.1  0結合觀點的商品推薦

參考文獻

第3章  情感詞典的構建

3.1  基於知識庫的方法

3.1.1  詞關繫擴展法

3.1.2  釋義擴展法

3.2  基於語料庫的方法

3.2.1  基於圖模型的情感詞典構建方法

3.2.2  基於短文本的情感詞典構建方法

3.3  基於深度學習的方法

3.3.1  詞向量模型

3.3.2  情感嵌入表達學習

3.3.3  情感嵌入表達優化

參考文獻

第4章  情感分類

4.1  主客觀分類

4.1.1  基於規則的方法

4.1.2  基於機器學習的方法

4.2  篇章級情感分類

4.2.1  有監督方法

4.2.2  無監督方法

4.2.3  半監督方法

4.3  短文本情感分類

4.3.1  樹形結構的長短期記憶網絡模型

4.3.2  基於多任務學習的個性化情感分類

4.4  屬性級情感分類

4.4.1  屬性情感聯合話題模型JAS

4.4.2  基於問答模型的多屬性情感分類

參考文獻

第5章  跨領域情感分類

5.1  遷移學習相關研究技術

5.1.1  遷移學習方法

5.1.2  跨領域情感分類方法

5.2  基於圖模型的跨領域情感分類

5.2.1  基於圖排序的跨領域情感分類

5.2.2  基於流排序的跨領域情感分類

5.3  文本與詞相互促進的跨領域情感分類

5.3.1  問題描述

5.3.2  情感圖生成算法

5.3.3  基於隨機遊走模型的跨領域情感分類算法

5.3.4  實驗結果與分析

5.4  基於矩陣分解的領域遷移方法

5.4.1  基本原理

5.4.2  圖正則化聯合矩陣分解

5.4.3  優化框架

5.4.4  學習算法

5.5  基於深度表征適配方法的跨領域情感分類

5.5.1  非線性分布距離度量

5.5.2  領域不變深度表征

5.5.3  遷移交叉驗證

參考文獻

第6章  跨語言情感分類

6.1  基於雙語平行語料的方法

6.1.1  引言

6.1.2  搭配對齊算法

6.1.3  實驗與評價

6.1.4  小結

6.2  基於雙語非平行語料的方法

6.2.1  基於互增益標簽傳導的跨語言情感分析模型

6.2.2  跨語言話題/情感模型

6.3  基於目標語言語料的方法

6.3.1  僅用三個種子詞的多語言情感分類方法

6.3.2  基於關鍵句抽取的多語言情感分類方法

參考文獻

第7章  情緒分類

7.1  情緒分析理論

7.2  基於詞典和規則的情緒分類方法

7.2.1  基於詞典的情緒分類方法

7.2.2  基於規則的情緒分類方法

7.3  基於機器學習的情緒分類方法

7.3.1  有監督學習情緒分類方法

7.3.2  半監督學習分類方法

7.4  復合層級情緒分類方法

7.5  多標簽情緒分類方法

7.6  總結與展望

參考文獻

第8章  情感摘要

8.1  研究現狀

8.2  問題描述

8.3  方法框架

8.4  屬性觀點模型

8.4.1  模型描述

8.4.2  參數估計

8.5  摘要抽取

8.5.1  基本概念及記號

8.5.2  構造流形結構

8.5.3  摘要抽取

8.6  實驗結果及分析

8.6.1  實驗設置

8.6.2  實驗結果及分析

參考文獻

第9章  情感與觀點檢索

9.1  觀點評分方法

9.2  主題相關觀點方法

9.3  結合觀點評分與主題相關性的方法

9.4  面向博客信息源的檢索方法

9.4.1  檢索框架

9.4.2  主題觀點模型

9.4.3  主題偏向模型

9.4.4  實驗與分析

參考文獻

第10章情感分析資源歸納

10.1  情感語料

10.2  情緒語料

10.3  情感詞典

參考文獻

文本情感分析旨在從文本中分析並挖掘作者的態度、立場、觀點和看法，是自然語言處理、人工智能與認知科學等領域的重要研究方向之一。通過計算機自動進行文本情感分析的研究始於20世紀90年代，早期研究以文本情感分類為主，即把文本按照主觀傾向性分成正面、負面和中性三類，其中正面類別是指文本體現出支持的、積極的、喜歡的態度和立場； 負面類別是指文本體現出反對的、消極的、厭惡的態度和立場； 中性類別是指沒有偏向的態度和立場。情感分類是情感分析中開展為廣泛的一項研究，很多時候情感分類被等同於情感分析。但嚴格說來，情感分析的研究範疇更廣，涵蓋觀點持有者、評價對像與情感詞等的抽取，以及主客觀分類、情感傾向分類、情緒分類、觀點摘要、觀點檢索、比較觀點挖掘和情感演化分析等多項不同的研究內容。

隨著互聯網的飛速發展，特別是Web 2.0時代的到來，網絡信息傳播已由單向信息發布發展為動態信息交互，用戶不再僅僅是網絡內容的閱讀者，更成為網絡內容的生產者。論壇、微博、微信、電商評論等網絡交流平臺不斷湧現，人們越來越習慣於在網絡上發表主觀性的言論，以表達自己對所關注事件和政策或所購買商品與服務等的觀點和看法。網絡上大量用戶所生成的富含情感信息的數據為情感分析提供了新的機遇。但同時，這類數據的許多獨有特質也為情感分析帶來新的問題。比如： 微博字符長度受限，所以內容表述非常簡潔，但存在數據稀疏的問題； 用戶生成數據中蘊含著大量的俚語和網絡流行語等未登錄詞，以及哈希標簽（hashtag）和表情符號（emoj）等特殊標記，而且常常存在拼寫錯誤，這都為分析工作帶來了困難。此外，社交網絡中還存在著大量的關注、點贊、轉發等社交關繫數據，這些社交關繫數據可以為情感分析提供不同視角的必要補充。由於上述原因，傳統面向規範長文本的情感分析方法面對復雜的網絡用戶生成數據時，效果差強人意。因此，針對特定場景的數據需要設計專用的方法，新技術要與新應用適配。總而言之，在Web 2.0時代，用戶生成數據的積累為情感分析帶來了新的機遇、新的挑戰和新的研究問題。

以情感分類為例，傳統方法主要分為兩類，一類是基於知識庫的方法； 另一類是基於機器學習的方法。基於知識庫的方法是指借助WordNet、HowNet、同義詞詞典和反義詞詞典等資源構建情感詞典，進而用情感詞典指導情感分類； 基於機器學習的方法是指在有情感類別標簽的情感語料上，通過樸素貝葉斯、支持向量機、熵等分類模型，訓練得到情感分類器，然後將分類器應用於未標注數據進行情感類別預測。近幾年，深度學習迅猛發展，在語音識別、圖像識別、機器翻譯等應用領域取得了卓著成績，也為情感分析提供了新的思路。目前已有很多將卷積神經網絡（Convolutional Neural Network，CNN）、遞歸神經網絡（Recursive Neural Network， RNN）和長短期記憶網絡（LongShort Term Memory，LSTM）等深度學習模型應用於文本情感分類的工作，研究結果表明神經網絡方法的性能往往優於之前的主流方法。因此，基於深度學習的方法對情感分析研究的發展起到助推作用。

本書共10章，下面簡要介紹各章的內容。

第1章首先介紹了情感分析的概念，然後介紹了情感分析的應用場景，包括商業領域、文化領域、社會管理、信息預測和情緒管理等，後對情感分析的研究現狀進行了簡要概述。

第2章較全面地介紹了情感分析和觀點挖掘領域的主要研究問題，所涉及的具體研究任務包括抽取、情感分類、情緒分類、觀點摘要、觀點檢索、比較觀點挖掘、垃圾評論檢測、情感演化分析、情感與話題傳播分析，以及結合觀點的商品推薦等。

第3章對情感詞典的構建技術進行了分析和討論，詳細介紹了三類方法： 基於知識庫的方法、基於語料庫的方法和基於深度學習的方法，在每一類方法中都具體介紹了情感詞典自動構建的模型和算法。

第4章重點介紹了情感分類研究。情感分類主要由主客觀分類和情感傾向性分類兩項任務組成，其中主客觀分類旨在將文本分成主觀和客觀文本，情感傾向性分類旨在將文本按照正面和負面情感傾向進行分類，按照不同的應用場景，傾向性分類又可以繼續分為篇章級情感分類、短文本（句子級）情感分類和屬性級情感分類。

第5章詳細介紹了跨領域情感分類的主要方法。跨領域情感分類旨在基於已標注好的源領域數據對沒有標注的目標領域（新領域）數據進行分析。本章首先對遷移學習相關技術進行概述，然後詳細介紹基於圖模型的跨領域情感分類、文本與詞相互促進的領域情感分類、基於矩陣分解的跨領域遷移和基於深度表征適配方法的跨領域情感分類四個模型。

第6章詳細介紹跨語言情感分類研究。首先分析了跨語言情感分類存在的問題，然後根據不同的語料前提，對三個不同多語言場景下的情感分類方法進行了分析和討論。針對雙語平行語料場景，介紹了搭配對齊模型； 針對雙語非平行語料場景，介紹了基於互增益標簽傳導模型和跨語言話題/情感模型； 針對隻有目標語言語料的場景，介紹了僅用三個種子詞的多語言情感分類方法和基於關鍵句抽取的多語言情感分類方法。

第7章概括介紹情緒分類研究。情緒分類可以被看成更細粒度的情感分類。本章首先介紹了情緒分析理論，然後對基於詞典和規則的情緒分類方法、基於機器學習的情緒分類方法、復合層級情緒分類方法和多標簽情緒分類方法進行了概述。

第8章首先介紹了情感摘要的研究現狀和問題描述，然後詳細介紹了一種用於情感摘要抽取的屬性觀點聯合模型。

第9章介紹情感與觀點檢索研究。首先圍繞觀點檢索存在的挑戰對已有方法進行概述，然後詳細介紹面向博客信息源的觀點檢索方法。

第10章對情感分析與觀點挖掘研究領域的公開資源進行了整理與歸納，包括情感語料、情緒語料和情感詞典，這些開放資源為情感分析與研究奠定了基礎。

本書重在對文本情感分析與研究的主流方法和前沿進展進行概括、比較和分析。本書的主要讀者對像為從事情感分析、文本挖掘、自然語言處理、機器學習等領域研究與應用的科研、設計和工程技術人員，也可供相關專業的研究生參考。

由於作者水平有限，所以盡管盡了的努力，但依然難免存在疏漏和不妥之處，敬請廣大專家、讀者批評指正。

作者2019年6月